JP2022051371A - 部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム - Google Patents

部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム Download PDF

Info

Publication number
JP2022051371A
JP2022051371A JP2020157810A JP2020157810A JP2022051371A JP 2022051371 A JP2022051371 A JP 2022051371A JP 2020157810 A JP2020157810 A JP 2020157810A JP 2020157810 A JP2020157810 A JP 2020157810A JP 2022051371 A JP2022051371 A JP 2022051371A
Authority
JP
Japan
Prior art keywords
combination
convergence
values
elements
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020157810A
Other languages
English (en)
Other versions
JP7287928B2 (ja
Inventor
智功 ▲高▼田
Tomonori Takada
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Primearth EV Energy Co Ltd
Original Assignee
Primearth EV Energy Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Primearth EV Energy Co Ltd filed Critical Primearth EV Energy Co Ltd
Priority to JP2020157810A priority Critical patent/JP7287928B2/ja
Publication of JP2022051371A publication Critical patent/JP2022051371A/ja
Application granted granted Critical
Publication of JP7287928B2 publication Critical patent/JP7287928B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Secondary Cells (AREA)
  • General Factory Administration (AREA)

Abstract

【課題】従来の手法では、二次電池の製造ばらつきを効率よく抑制することが出来ない問題があった。【解決手段】本発明の部材選択最適化装置は、Ｎロット分の２以上の要素の品質確認値から、Ｎロット分の２以上の要素の組み合わせの全パターンについての構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成部１１と、全パターン分の予測値の分布範囲内で設定される収束値候補範囲内でＭ個の収束値を決定する収束値候補群生成部１２と、各収束値に近い予測値に対応する要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補をＭ個の収束値に対して生成する組み合わせ候補生成部１３と、複数の組み合わせ候補のうちもっとも予測値のばらつきが小さい組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定部１４と、を有する。【選択図】図１

Description

本発明は、部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラムに関し、例えば、２以上の要素の組み合わせを最適化する部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラムに関する。
近年、二次電池の利用が広がっており、製造能力の向上が望まれている。そこで、特許文献１には、一定品質以上の二次電池を継続的に製造できる二次電池製造システムに関する技術が開示されている。
特許文献１に開示されている二次電池製造システムは、制御部と、製造部と、製造部によって製造された二次電池の品質を評価する評価部を備え、制御部は、記憶部と、機械学習部を有するものであって、製造部での二次電池の製造に使用する製造パラメータを制御可能であり、記憶部は、過去の製造パラメータと、過去の製造パラメータを用いて製造した二次電池の評価部による評価結果を紐づけて記憶するものであり、機械学習部は、二次電池の品質が所定の基準以下に低下したと判断した場合に、記憶部で記憶された過去の製造パラメータ及び過去の評価結果の関係により、製造パラメータの中から品質の低下に影響を与える誘因パラメータを特定し、誘因パラメータを初期設定時の製造パラメータに近
づけるか、初期設定時の製造パラメータに戻す構成とする。
特開２０１９－１０２１８６号公報
しかしながら、特許文献１に記載の二次電池製造システムでは、二次電池の品質ばらつきを抑制することは出来ない問題がある。
本発明は、上記事情に鑑みてなされたものであり、二次電池の製造ばらつきを抑制することを目的とするものである。
本発明にかかる部材選択最適化装置の一態様は、２以上の要素の組み合わせにより１つの構成体を構成する際の前記要素の組み合わせを選択する要素選択最適化装置であって、Ｎロット分の前記２以上の要素の品質確認値から、前記Ｎロット分の前記２以上の要素の組み合わせの全パターンについての前記構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成部と、前記全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内でＭ個の収束値を決定する収束値候補群生成部と、前記Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する前記要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記Ｍ個の収束値に対して生成する組み合わせ候補生成部と、複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定部と、を有する。
本発明にかかる部材選択最適化方法の一態様は、コンピュータで実行されるプログラムによる自動処理により、２以上の要素の組み合わせにより１つの構成体を構成する際の前記要素の組み合わせを選択する部材選択最適化方法であって、Ｎロット分の前記２以上の要素の品質確認値から、前記Ｎロット分の前記２以上の要素の組み合わせの全パターンについての前記構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成処理と、前記全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内でＭ個の収束値を決定する収束値候補群決定処理と、前記Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する前記要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記Ｍ個の収束値に対して生成する組み合わせ候補生成処理と、複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定処理と、を実行する。
本発明にかかる部材選択最適化プログラムの一態様は、コンピュータで実行され、２以上の要素の組み合わせにより１つの構成体を構成する際の前記要素の組み合わせを選択する部材選択最適化プログラムであって、Ｎロット分の前記２以上の要素の品質確認値から、前記Ｎロット分の前記２以上の要素の組み合わせの全パターンについての前記構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成処理と、前記全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内でＭ個の収束値を決定する収束値候補群決定処理と、前記Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する前記要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記Ｍ個の収束値に対して生成する組み合わせ候補生成処理と、複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定処理と、を実行する。
本発明の部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラムは、選択しうる要素の組み合わせから最も製造ばらつきが小さくなる組み合わせを効率的に選択する。
本発明の部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラムによれば、二次電池の製造ばらつきを抑制することができる。
実施の形態１にかかる部材選択最適化装置のブロック図である。 実施の形態１にかかる部材選択最適化装置を用いた電力体の製造工程の流れを説明するフローチャートである。 実施の形態１にかかる部材選択最適化装置で生成される予測値について説明する図である。 実施の形態１にかかる部材選択最適化装置で生成される収束値候補群と収束値候補毎に生成される要素の組み合わせについて説明する図である。 実施の形態１にかかる合わせ候補生成処理の流れを説明するフローチャートである。 実施の形態１にかかる部材選択最適化装置を用いて最適化したロットの組み合わせを説明する図である。 実施の形態１にかかる部材選択最適化装置を用いて最適化したロットの組み合わせにより製造される二次電池の容量の予測値のばらつきを説明する図である。 実施の形態２にかかる部材選択最適化装置における予測器に入力するパラメータの選択工程を説明するフローチャートである。 実施の形態２にかかる部材選択最適化装置における予測器に用いられる機械学習モデルの学習工程を説明するフローチャートである。
実施の形態１
説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、様々な処理を行う機能ブロックとして図面に記載される各要素は、ハードウェア的には、ＣＰＵ（Central Processing Unit）、メモリ、その他の回路で構成することができ、ソフトウェア的には、メモリにロードされたプログラムなどによって実現される。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組合せによっていろいろな形で実現できることは当業者には理解されるところであり、いずれかに限定されるものではない。なお、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
また、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
図１に実施の形態１にかかる部材選択最適化装置１のブロック図を示す。部材選択最適化装置１は、以下で説明する処理ブロックを有する専用ハードウェアとして実現することもできるが、コンピュータにおいて部材選択最適化プログラムを実行することでも実現出来る。また、部材選択最適化プログラムを実行するコンピュータにおいては、以下で説明するデータベースは、コンピュータと通信可能な記憶装置、或いは、コンピュータに組み込まれた記憶装置により構築されているものとする。
以下では、部材選択最適化装置１が最適化する要素の組み合わせにより構成される構成体の一例として電力体を例に説明をする。しかし、部材選択最適化装置１が最適化する要素により構成される構成体は電力体に限られるものではない。
また、以下で説明する品質確認値は、電池の性能に影響を与える因子であり、複数の品質確認値から適切な値を選択することで、電池性能を正確に予測できる。電池の性能に影響を与える要素としては、正極材料、負極材料、セパレータ、電解液があるが、以下で説明する部材選択最適化装置１が最適化する２以上の要素として二次電池の電力体を構成する３つの要素（例えば、正極シート、負極シート及びセパレータ）の組み合わせを最適化する例を説明する。しかし、部材選択最適化装置１が最適化する要素はこれに限られるものではない。
また、品質確認値として電池性能に影響を与える値の一例としては、以下のものが考えられる。正極材料では、活物質量（活物質量は、目付［ｇ／ｃｍ２］×電極面積［ｃｍ２］×ペースト中の活物質の割合の大きさで決まるため、このうちのいずれか）、活物質の組成、粘度等が品質確認値に含まれる。負極材料については正極材料と同じ品質確認値の項目となる。セパレータでは、透気度、厚み等の品質確認値に含まれる。電解液では、塩濃度、組成比、重量、添加物量等が品質確認値に含まれる。
図１に示すように、実施の形態１にかかる部材選択最適化装置１は、品質確認値データベース１０、予測値生成部１１、収束値候補群生成部１２、組み合わせ候補生成部１３及び組み合わせ決定部１４を有する。
品質確認値データベース１０には、資材倉庫に在庫されている２以上の要素（例えば、正極シート、負極シート及びセパレータ）に関する品質確認値が記録されている。また、品質確認値データベース１０には、在庫されている２以上の要素の複数ロット分（例えば、Ｎロット分、Ｎは整数）の品質確認値が記録されている。
予測値生成部１１は、Ｎロット分の２以上の要素の品質確認値から、Ｎロット分の２以上の要素の組み合わせの全パターンについての電力体の特性の予測値を、機械学習モデルを用いた予測器により生成する。
収束値候補群生成部１２は、２以上の要素のＮロット分の組み合わせの全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、収束値候補範囲内で複数（例えば、Ｍ個、Ｍは整数）の収束値を決定する。このＭ個の収束値を収束値候補群と称す。
組み合わせ候補生成部１３は、Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定する。また収束値候補群生成部１２は、組み合わせ候補をＭ個の収束値に対して生成する。
組み合わせ決定部１４は、複数（例えば、Ｍ個）の前記組み合わせ候補のうちもっとも予測値のばらつきが小さい組み合わせ候補を、出力対象の最適組み合わせとして決定する。
続いて、部材選択最適化装置１の動作について、図２～図５を参照して、具体的に説明する。また、以下の説明では、部材選択最適化装置１を用いて電力体となる捲回体を製造する捲回体製造工程について説明する。図２に実施の形態１にかかる部材選択最適化装置１を用いた電力体の製造工程の流れを説明するフローチャートを示す。なお、図２に示すフローチャートにおいて、ステップＳ１～Ｓ５が部材選択最適化装置１による処理である。
図２に示す部材選択最適化装置１を用いた捲回体の製造工程では、部材選択最適化装置１を用いてステップＳ１～Ｓ５を実行することで最適な３つの要素の組み合わせを決定し、決定した要素の組み合わせを用いて捲回体を製造する（ステップＳ６）。そこで、ステップＳ１～Ｓ５について詳細に説明する。
ステップＳ１は、予測値生成部１１が品質確認値データベース１０にアクセスして行う処理である。ステップＳ１では、予測値生成部１１が品質確認値データベース１０から部材保管庫に保管されているＮロット分の要素（例えば、正極シート、負極シート、及び、セパレータ）の品質確認値を取得する。
続いて、ステップＳ２では、予測値生成部１１が取得した品質確認値を学習済みモデルを備える予測器に入力して３つの要素の全ての組み合わせについての予測値（例えば、二次電池の容量）を算出する。ここで、ステップＳ１、Ｓ２により生成される予測値について図３を参照する。図３は、実施の形態１にかかる部材選択最適化装置で生成される予測値について説明する図である。
図３に示す例は、Ｎロット分の３つの要素についての予測値を算出した例である。図３に示すようにＮロット分の３つの要素の組み合わせはＮの３乗通りできる。例えば、Ｎが１０とすると、３つの要素の組み合わせは１０００通りとなる。そのため、ステップＳ２で生成される予測値は１０００個となる。なお、図３で示した予測値は、容量の予測値の最大値を１００とした場合の相対値である。
続いて、ステップＳ３では、収束値候補群生成部１２が、ステップＳ２で生成された予測値の分布範囲よりも狭い範囲を有する収束値候補範囲を設定し、当該収束値候補範囲内においてＭ個の収束値を含む収束値候補群を生成する。次いで、ステップＳ４では、組み合わせ候補生成部１３が、収束値候補群に含まれるＭ個の収束値のそれぞれについて、各収束値に近い予測値を有する要素の組み合わせを選択し、収束値毎の要素の組み合わせを組み合わせ候補として生成する。
ここで、図４を参照して、ステップＳ３、Ｓ４により生成される組み合わせ候補について説明する。図４は、実施の形態１にかかる部材選択最適化装置で生成される収束値候補群と収束値候補毎に生成される要素の組み合わせについて説明する図である。図４の上図は、収束値候補群を説明するものである。図４の上図に示すように、収束値候補群生成部１２は、予測値の分布の下側１０％と上側１０％を除く範囲に収束値候補範囲を設定し、この収束値候補範囲はＭ分割して生成されるＭ個の収束値を収束値候補群とする。ここで、Ｍは、例えば、１０～１０００の任意の値に設定される値である。なお、実施の形態１では、Ｍ＝１００と設定する。
また、図４の下図は、Ｍ個の収束値のそれぞれに対して選択される要素の組み合わせを示す図である。図４の下図に示すように、組み合わせ候補生成部１３は、各収束値に近い予測値を有する要素の組み合わせを、収束値毎に各部材の全ロットが含まれ、かつ、ロットの重なりが内容に選択する。そのため、組み合わせ候補生成部１３が生成する組み合わせ候補の数は、収束値がＭ個設定されている場合、Ｍ個となる。
また、図５を参照して、組み合わせ候補生成部１３の動作についてさらに詳細に説明する。図５は、実施の形態１にかかる合わせ候補生成処理の流れを説明するフローチャートである。図５に示すように、組み合わせ候補生成部１３は、まず変数であるｍを１で初期化する（ステップＳ１１）。次いで、組み合わせ候補生成部１３は、Ｍ個の収束値からｍ番目の収束値を選択する（ステップＳ１２）。次いで、組み合わせ候補生成部１３は、ｍ番目の収束値に近い予測値を有するロットの組み合わせを選択する（ステップＳ１３）。このとき、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定する。次いで、組み合わせ候補生成部１３は、選択したロットの組み合わせを選択候補から削除する（ステップＳ１４）。このように、選択したロットの組み合わせを選択候補から削除することで、処理が進むにつれて選択肢が少なくなるため、処理を高速化することができる。そして、組み合わせ候補生成部１３は、ｍがＭに達するまでｍを１つずつ増加させながらステップＳ１２～Ｓ１４の処理を繰り返す（ステップＳ１５、Ｓ１６）。ここで、Ｍはロット数Ｎに依存しない固定値（実施の形態１では１００）であり、ロット数Ｎが多い場合でも、最適化のための計算の繰り返しを少なくすることができる。これにより、更なる処理高速化を実現できる。
続いて、図２を参照すると、部材選択最適化装置１は、ステップＳ５において、組み合わせ決定部１４を用いて最終的に出力する最適組み合わせを決定する。具体的には、ステップＳ５では、組み合わせ決定部１４が、Ｍ通りの組み合わせ候補のうち予測値のばらつきが最小の組み合わせとなる組み合わせ候補を最適組み合わせてとして決定する。実施の形態１にかかる部材選択最適化装置１を用いた捲回体の製造工程では、このように決定された最適組み合わせにより捲回体の製造を行うことで、製造される捲回体を用いた二次電池の容量のばらつきを抑制する。
そこで、このばらつき抑制効果を図６及び図７を参照して説明する。図６は、実施の形態１にかかる部材選択最適化装置１を用いて最適化したロットの組み合わせを説明する図である。図６では、各要素のロットの組み合わせを調整せずに組み合わせた場合の容量の予測値の表を左側に示し、部材選択最適化装置１を用いてばらつきを抑制するようにロットの組み合わせを最適化した場合の容量の予測値を右側に示した。図６に示すように、最適化したロットの組み合わせを用いることで、例えば、元のロットの組み合わせの容量の最大値を１００とした場合、１００から９８．１２に下がり、容量の最小値が９５．８７から９６．６８に上がっていることがわかる。また、部材選択最適化装置１を用いてばらつきを抑制するようにロットの組み合わせを最適化した場合、容量の予測値が存在する範囲の大きさが４．１２から１．４４に縮小していることがわかる。
続いて、図７に実施の形態１にかかる部材選択最適化装置を用いて最適化したロットの組み合わせにより製造される二次電池の容量の予測値のばらつきを説明する図を示す。図７に示すように、部材選択最適化装置１を用いて最適化したロットの組み合わせにより二次電池を製造することで容量のばらつきが明確に抑えられることがわかる。
上記説明より、実施の形態１にかかる部材選択最適化装置１を用いることで、製造工程で用いる要素そのもののパラメータを調整することなく、製造ロットの組み合わせの最適化処理により二次電池の容量のばらつきを抑制することができる。
また、実施の形態１にかかる部材選択最適化装置１によれば、収束値候補群生成部１２により収束値の候補を複数設定し、当該収束値に近い予測値を有する要素の組み合わせにより組み合わせ候補を生成することで、Ｎロット分の２以上の要素の組み合わせのうち予測値のばらつきが小さくなる候補の近似解を算出する。このとき、例えば、Ｎロット分の２以上の要素の組み合わせのうち最もばらつきが小さくなる厳密解を得ようとした場合、つまり、Ｎの３乗通りから重複を許さないＮ個の組み合わせを選ぶ場合、その組み合わせのパターンは、Ｎ＾３ＣＮ通りとなる。Ｎの３乗通りから重複を許さないＮ個の組み合わせは、Ｎを１０とした場合、およそ１０の３０乗通りとなり、現実的な計算時間で解を得ることが難しい。一方、実施の形態１にかかる部材選択最適化装置１では、収束値と当該収束値に近い予測値を有するロットの組み合わせを選択するのみであるため、短時間で解をえることができる。
また、実施の形態１にかかる部材選択最適化装置１では、組み合わせ候補生成部１３において、ある１つの収束値に対して選択したロットの組み合わせをその後に処理する収束値に対する選択候補から除外する。これにより、実施の形態１にかかる部材選択最適化装置１では、さらに処理時間を短縮することができる。加えて、Ｍはロット数Ｎに依存しない固定値であり、ロット数Ｎが多い場合でも、最適化のための計算の繰り返しを少なくすることができ、これにより、さらに処理時間を短縮することができる。
実施の形態２
実施の形態１にかかる部材選択最適化装置１では、予測値生成部１１に機械学習モデルを用いた予測器を利用した。実施の形態１にかかる部材選択最適化装置１においてさらにばらつきを抑制するためには、機械学習モデルによる予測精度を高める必要がある。そこで、実施の形態２では、機械学習モデルの予測精度を高める実施例について説明する。
機械学習モデルによる予測精度を高めるためには、予測器に入力する品質確認値を適切に設定する必要がある。より具体的には、品質確認値は、部材毎に複数のパラメータを含む。このパラメータは、値が大きくなることで予測値を大きくする方向に作用するものと値が小さくなることで予測値を大きくする方向に作用するものと様々なものがある。また、パラメータの大小が予測値の大小にどの程度影響するかについても様々である。機械学習モデルによる予測値と実際に製造された二次電池の容量との相関を高めるためには、予測値に対して感度の高いパラメータを選択的に機械学習モデルに与えることが好ましい。
また、品質確認値に含まれるパラメータには、一方のパラメータの大きさによって他方のパラメータに対する予測値の影響度（例えば、感度）が変化する相互作用を有するパラメータがある。このような相互作用を有するパラメータも予測値と実際に製造される二次電池の容量との相関に大きく影響する。そのため、相互作用を有するパラメータについても機械学習モデルに与えるパラメータとして好ましい。
このように予測値生成部１１では、予測値に対して大きな変動をもたらしたパラメータを品質確認値から選択し、選択したパラメータを予測器に入力して予測値を生成することで、予測値と実際の容量との相関を高めることができる。そこで、予測値生成部１１に入力するパラメータの選択方法について以下で説明する。
図８に実施の形態２にかかる部材選択最適化装置における予測器に入力するパラメータの選択工程を説明するフローチャートを示す。図８に示すように、パラメータの選択工程では電力体の製造において過去に用いられた部材のデータを用いる。このパラメータ選択工程では、まず、過去の品質確認データを収集する（ステップＳ２１）。次いで、ステップＳ２１で収集したデータからパラメータ毎に目的変数となる容量との相関値を確認して一定以上の相関があるパラメータを特定する（ステップＳ２２）。このステップＳ２２では、例えばパラメータ毎に散布図を作成して相関値を確認する。このステップＳ２２により、選択肢となるパラメータ数を例えば、１０００個から６０個に削減する。
次いで、ステップＳ２２で特定したパラメータをランダムフォレストに入力して目的変数となる容量への寄与が一定値以上のパラメータを特定する（ステップＳ２３）。このステップＳ２３により、選択肢となるパラメータ数を例えば、６０個から１５個に減らす。
機械学習モデルにステップＳ２３で特定したパラメータを入力して、相互関係があるパラメータを特定する（ステップＳ２４）。このステップＳ２４により、相互作用項（実施の形態２では７個）を追加することで、パラメータ数を２２個として、機械学習モデルに入力の予測精度をさらに向上することができる。
このように、機械学習モデルに入力するパラメータ数を減じることで、予測値と目的変数である容量との相関を向上させながら、予測値生成部１１における計算時間を短くすることができる。
続いて、機械学習モデルの学習について説明する。そこで、図９に実施の形態２にかかる部材選択最適化装置における予測器に用いられる機械学習モデルの学習工程を説明するフローチャートを示す。
図９に示すように、機械学習モデルの学習では、まず過去の品質確認データを収集する（ステップＳ３１）。続いて、ステップＳ３１で収集した品質確認データからステップＳ２４で特定したパラメータを抽出する（ステップＳ３２）。続いて、ステップＳ３２で抽出したパラメータを入力とし、過去の工程で製造された二次電池から得た目的変数（例えば、容量）を教師データとして機械学習モデルを学習させた後に機械学習モデルを更新する（ステップＳ３３）。
上記説明より、実施の形態２では、図８に示すような手順に従って特定したパラメータを予測値生成部１１への入力とすることで品質確認値データベース１０に記録されている在庫部材から予測される予測値の予測精度を高めることができる。また、予測値生成部１１へ入力するパラメータ数を抑制することで計算時間を短縮することができる。
また、図８で説明した手順に従って特定したパラメータを用いて機械学習モデルを学習させることで、入力要素の数を抑制することができるため、学習に要する時間を短縮することができる。
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。つまり、複数の要素を組み合わせて作成されるもので、且つその組合せにより性能が決定されるものであれば適用可能である。例えば、正極（又は負極）ペーストの場合、正極活物質（又は負極活物質），導電材，バインダー，溶媒のうちの２以上を用いることができる。
（付記１）
複数の部材の複数ロット分の品質確認値から、前記複数の部材の組み合わせの全パターンについての完成品の特性の予測値を機械学習モデルを用いた予測器により生成する予測値生成部と、
前記全パターン分の予測値の分布から分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内で複数の収束値を決定する収束値候補群生成部と、
前記複数の収束値のそれぞれについて、各収束値に近い予測値に対応する前記部材の組み合わせを、各部材の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記複数の収束値に対して生成する組み合わせ候補生成部と、
複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を出力する最適組み合わせとして決定する組み合わせ決定部と、
を有する部材選択最適化装置。
１ 部材選択最適化装置
１０ 品質確認値データベース
１１ 予測値生成部
１２ 収束値候補群生成部
１３ 組み合わせ候補生成部
１４ 組み合わせ決定部

Claims (6)

  1. ２以上の要素の組み合わせにより１つの構成体を構成する際の前記要素の組み合わせを選択する部材選択最適化装置であって、
    Ｎ（Ｎは整数）ロット分の前記２以上の要素の品質確認値から、前記Ｎロット分の前記２以上の要素の組み合わせの全パターンについての前記構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成部と、
    前記全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内でＭ（Ｍは整数）個の収束値を決定する収束値候補群生成部と、
    前記Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する前記要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記Ｍ個の収束値に対して生成する組み合わせ候補生成部と、
    複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定部と、
    を有する部材選択最適化装置。
  2. 前記組み合わせ候補生成部は、前記Ｍ個の収束値から選択した１つの前記収束値に前記予測値が近いものから順に前記要素の組み合わせを選択し、選択した前記要素の組み合わせを選択候補から削除し、削除後に残った組み合わせから次に選択する前記収束値にかんする組み合わせ候補を選択する請求項１に記載の部材選択最適化装置。
  3. 前記予測値生成部は、前記予測値に対して大きな変動をもたらしたパラメータを前記品質確認値から選択し、選択した前記パラメータを前記予測器に入力して前記予測値を生成する請求項１又は２に記載の部材選択最適化装置。
  4. 前記構成体は、二次電池の電力体であり、
    前記２以上の要素は、正極材料、負極材料、セパレータ材料、電解液から選ばれる２以上の部材である請求項１乃至３のいずれか１項に記載の部材選択最適化装置。
  5. コンピュータで実行されるプログラムによる自動処理により、２以上の要素の組み合わせにより１つの構成体を構成する際の前記要素の組み合わせを選択する部材選択最適化方法であって、
    Ｎ（Ｎは整数）ロット分の前記２以上の要素の品質確認値から、前記Ｎロット分の前記２以上の要素の組み合わせの全パターンについての前記構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成処理と、
    前記全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内でＭ（Ｍは整数）個の収束値を決定する収束値候補群決定処理と、
    前記Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する前記要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記Ｍ個の収束値に対して生成する組み合わせ候補生成処理と、
    複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定処理と、
    を実行する部材選択最適化方法。
  6. コンピュータで実行され、２以上の要素の組み合わせにより１つの構成体を構成する際の前記要素の組み合わせを選択する部材選択最適化プログラムであって、
    Ｎ（Ｎは整数）ロット分の前記２以上の要素の品質確認値から、前記Ｎロット分の前記２以上の要素の組み合わせの全パターンについての前記構成体の特性の予測値を、機械学習モデルを用いた予測器により生成する予測値生成処理と、
    前記全パターン分の予測値の分布範囲より狭い範囲の収束値候補範囲を設定し、前記収束値候補範囲内でＭ（Ｍは整数）個の収束値を決定する収束値候補群決定処理と、
    前記Ｍ個の収束値のそれぞれについて、各収束値に近い予測値に対応する前記要素の組み合わせを、各要素の全ロットが含まれ、かつ、ロットの重複がないように選択して組み合わせ候補を決定し、前記組み合わせ候補を前記Ｍ個の収束値に対して生成する組み合わせ候補生成処理と、
    複数の前記組み合わせ候補のうちもっとも前記予測値のばらつきが小さい前記組み合わせ候補を、出力対象の最適組み合わせとして決定する組み合わせ決定処理と、
    を実行する部材選択最適化プログラム。
JP2020157810A 2020-09-18 2020-09-18 部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム Active JP7287928B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020157810A JP7287928B2 (ja) 2020-09-18 2020-09-18 部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020157810A JP7287928B2 (ja) 2020-09-18 2020-09-18 部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム

Publications (2)

Publication Number Publication Date
JP2022051371A true JP2022051371A (ja) 2022-03-31
JP7287928B2 JP7287928B2 (ja) 2023-06-06

Family

ID=80854933

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020157810A Active JP7287928B2 (ja) 2020-09-18 2020-09-18 部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム

Country Status (1)

Country Link
JP (1) JP7287928B2 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017059016A (ja) * 2015-09-17 2017-03-23 三菱電機株式会社 部品製造ロット選択装置、製造計画策定システム、部品製造ロット選択方法及びプログラム
JP2020129466A (ja) * 2019-02-08 2020-08-27 トヨタ自動車株式会社 電池の検査方法
JP2020135591A (ja) * 2019-02-22 2020-08-31 株式会社豊田中央研究所 推定装置、推定方法、および、コンピュータプログラム
US20200401113A1 (en) * 2019-06-21 2020-12-24 Hitachi, Ltd. Determining optimal material and/or manufacturing process

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017059016A (ja) * 2015-09-17 2017-03-23 三菱電機株式会社 部品製造ロット選択装置、製造計画策定システム、部品製造ロット選択方法及びプログラム
JP2020129466A (ja) * 2019-02-08 2020-08-27 トヨタ自動車株式会社 電池の検査方法
JP2020135591A (ja) * 2019-02-22 2020-08-31 株式会社豊田中央研究所 推定装置、推定方法、および、コンピュータプログラム
US20200401113A1 (en) * 2019-06-21 2020-12-24 Hitachi, Ltd. Determining optimal material and/or manufacturing process

Also Published As

Publication number Publication date
JP7287928B2 (ja) 2023-06-06

Similar Documents

Publication Publication Date Title
EP3972339A1 (en) Handover success rate prediction and management using machine learning for 5g networks
CN108573355B (zh) 模型更新后替换运行的方法、装置、及业务服务器
US9934470B2 (en) Production equipment including machine learning system and assembly and test unit
KR101657890B1 (ko) 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법
Alfred A genetic-based backpropagation neural network for forecasting in time-series data
CN105243348B (zh) 一种基于无源超高频rfid定位系统的阅读器优化部署方法
WO2021250445A1 (en) Network performance assessment
CN110059802A (zh) 用于训练学习模型的方法、装置和计算设备
CN117096875B (zh) 一种基于Spatio-Temporal Transformer模型的短期负荷预测方法及系统
CN114818452A (zh) 天线配置参数优化方法、装置及存储介质
US11386332B2 (en) Optimization calculation method and information processing apparatus
US20240187879A1 (en) Method and system for optimizing a mobile communications network
JP2022051371A (ja) 部材選択最適化装置、部材選択最適化方法及び部材選択最適化プログラム
US20210012247A1 (en) Information processing apparatus, information processing method, and program
CN110782020A (zh) 网络结构的确定方法、装置和电子系统
CN111130126A (zh) 电力系统阻尼比在线趋优方法、存储介质和计算设备
Allias et al. Optimization algorithms: Who own the crown in predicting multi-output key performance index of LTE handover
JP7010363B2 (ja) 情報処理装置、情報処理方法、プログラム
Abdi et al. Long-term load forecasting based on gravitational search algorithm
Marković et al. A comparative analysis of metaheuristic maintenance optimization of refuse collection vehicles using the Taguchi experimental design
CN111860833A (zh) 一种模型的训练方法、设备以及介质
Ripon et al. A genetic algorithm to find pareto-optimal solutions for the dynamic facility layout problem with multiple objectives
Theodossiou et al. Harmony Search Algorithm, a novel optimization technique. Parameter calibration and applications on water resources management problems
Rodríguez-Galiano et al. Regression Trees for Modelling Water Demand in Sevilla City, Spain
Eksin Genetic algorithms for multi-objective optimization in dynamic systems

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221213

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230131

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230523

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230525

R150 Certificate of patent or registration of utility model

Ref document number: 7287928

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150